Het voorspellen van de kaartverkoop voor Paradiso

Het voorspellen van de kaartverkoop

voor Paradiso

27-06-15

Auteur:

Thijs van Velzen 10379924

Begeleider:

1 Inhoudsopgave 1 Inleiding ... 3 2 Theoretisch kader ... 4 3 Onderzoeksopzet ... 9 3.1 Model ... 9 3.2 Data ... 12 4 Resultaten en analyse... 14 4.1 Beschrijving data ... 15 4.2 Empirische analyse ... 16 4.3 Analyse ... 18

2

4.3.1 Endogeniteit ... 18

4.3.2 Coëfficiëntenanalyse ... 19

4.3.3 Verschillen tussen de modellen ... 21

5 Voorspellingen ... 22

6 Conclusie ... 25

3

1 Inleiding

Nederland houdt ervan om uit te gaan (Goossen, Frijns, van Hasselt & van Laar, 2014). Met vrienden de kroeg in of een film kijken in de bioscoop, er is keuze genoeg. Ook het bezoeken van concerten is in trek. Sommige mensen bezoeken concerten om te ontsnappen aan hun dagelijkse problemen, anderen enkel voor recreatie (Ter Horst, 2010). Het overgrote gedeelte van concert bezoekend Nederland bezoekt concerten bij poppodia aangesloten bij Vereniging Nederlandse Poppodia en Festivals. In 2013 telde Nederland 49 aangesloten poppodia die tezamen goed waren voor 17.978 optredens. Met een totale omzet van €96,2 miljoen blijkt wel dat er veel geld omgaat in deze business (Dee & Schans, 2014).

Echter, het blijkt dat de totale uitgaven van deze poppodia de omzet overstijgt. Met een totaal bedrag van €97,1 miljoen komen de poppodia bijna €1, - miljoen tekort om break-even te draaien. Deze kosten komen voornamelijk uit programma-, personeels- en huisvestingskosten, tezamen goed voor 84 procent van de totale uitgaven.

Poppodia moeten dus meer omzet gaan draaien of de kosten verlagen om geen verlies te maken. Kijkend naar de inkomsten blijkt dat poppodia voor 28 procent van de inkomsten gesubsidieerd worden door de overheid. Het grootste deel, 35 procent, komt uit de kaartverkoop en nog eens 25 procent van de inkomsten komt uit horecaopbrengsten. De rest komt uit sponsering en zaalverhuur (Dee & Schans, 2014).

Uit deze cijfers blijkt wel dat poppodia erg afhankelijk zijn van het totaal aantal bezoekers. 60 procent van de totale inkomsten is afhankelijk van de uitgaven van deze bezoekers. Als er meer kaarten verkocht worden, dan zullen er ook meer bezoekers komen, met als gevolg dat er meer gebruikgemaakt wordt van de horecagelegenheden. Dit heeft echter ook weer tot direct gevolg dat er meer personeel aanwezig moet zijn om te bezoekers tevreden te houden (Suher, 2008).

Hieruit blijkt wel dat het voor poppodia van groot belang is om een goede voorspelling te hebben van het aantal bezoekers voor een evenement. Een te hoge

4 schatting kan leiden tot overbezetting van personeel. Voor een aantal poppodia die meerdere zalen tot hun beschikking hebben, zoals Paradiso en het Utrechtse TivoliVredenburg, kan een te lage schatting leiden tot het mislopen van inkomsten, omdat het een evenement kan verplaatsen naar een grotere zaal. Zowel voor de inkomsten als voor de uitgaven is een goede schatting dus belangrijk.

Vandaag de dag worden deze voorspellingen voornamelijk gedaan door het management zelf. Door hun jarenlange ervaring te gebruiken probeert het management een zo goed mogelijke voorspelling te maken. Hoewel hieruit redelijke voorspellingen volgen, blijkt ook dat er hier nog genoeg te verbeteren valt (Bennett, 2002). Om de voorspelkracht te verbeteren, kan gebruikgemaakt worden van een voorspelmodel. Echter, er zijn weinig van dit soort modellen die daadwerkelijk gebruikt worden in de praktijk.

Het doel van deze scriptie is het vinden van een model dat in staat is de kaartverkoop te voorspellen, specifiek voor evenementen van Paradiso, en het management kan adviseren in zijn verkoopstrategie. Om dit te bereiken worden er in hoofdstuk 2 reeds eerder uitgevoerde onderzoeken en economische theorieën behandeld die gerelateerd zijn aan het creëren van een voorspellingsmodel. Vervolgens worden er in hoofdstuk 3 de modellen en de data beschreven. De resultaten van deze modellen en de analyse daarvan worden uitgevoerd in hoofdstuk, waarna vervolgens in hoofdstuk 5 een aantal voorspellingen uitgevoerd worden om de nauwkeurigheid van deze modellen te bekijken. Tot slot wordt in hoofdstuk 6 het onderzoek geconcludeerd.

2 Theoretisch kader

Om een voorspellingsmodel te kunnen specificeren, worden er eerst drie onderzoeken en hun modellen die betrekking hebben op het creëren van een voorspellingsmodel. Dit wordt gedaan om meer inzicht te verkrijgen in de onderzoeksopzet die benodigd is voor het onderzoek. De drie modellen uit deze onderzoeken worden geëvalueerd op hun voor- en nadelen met betrekking tot het gekozen model en de voorspelkracht van dat model. Ook worden de verklarende variabelen die gebruikt zijn in deze onderzoeken

5 besproken en wordt bestudeerd of deze verklarende variabelen gebruikt kunnen worden in het voorspellingsmodel.

Allereerst een onderzoek van Putler en Lele (2003), die streven naar een model dat in staat is om de verkopen van theaterproducties te voorspellen. Zij merken op dat mensen kiezen voor de voorstelling aan de hand van de aantrekkelijkheid van de voorstelling zelf. Ook promotiekosten worden meegenomen in het model, daar meer promotie zou moeten leiden tot meer bezoekers. Vervolgens gebruiken Putler en Lele (2003) deze variabelen in een Tobit-model, waarbij de parameters geschat worden met maximum-likelihood. Het model kent een rechtse censuur. Hierdoor kunnen de geschatte waardes de capaciteit niet overschrijden. De data bestaan uit 31 producties met een totaal van 171 voorstellingen. 25 producties worden gebruikt om de parameters te schatten met behulp van een Tobit schatting. Vervolgens passen Putler en Lele (2003) het model toe om de aantal verkochte kaartjes van de zes overgebleven producties te voorspellen. Drie van deze producties waren nog niet afgelopen ten tijde van het onderzoek en de voorspellingen daarvan zijn overlegd aan de directors van de producties. Aan de hand van de resultaten zijn beslissingen genomen door de directors om de kaartverkoop te maximaliseren. Dit resulteerde in een verkoopstijging van ruim 15 procent.

Het feit dat Putler en Lele (2003) in hun onderzoek hun model toepassen in de praktijk en het nut van hun model aantonen, maakt dit een sterk onderzoek. Zij laten zien wat de voorspelkracht van het model is en de beslissingen die op deze voorspellingen gemaakt kunnen worden. Nadelig is echter wel het gebruik van een Tobit-model. Dit model is namelijk niet in staat om te kijken naar de verkoopcijfers per tijdsperiode, enkel naar de totale verkoopcijfers.

Putler en Lele (2003) gebruikten in hun model als verklarende variabele onder andere de promotiekosten. Het effect hiervan wordt in meerdere onderzoeken beschreven. Putler en Lele (2003) merken op dat promotie leidt tot meer bekendheid van een evenement. Dit resulteert op haar beurt weer op snellere en grotere verkopen (Hoek, Gendall, Jeffcoat & Orsman, 1997; Mason, 2005). Echter, meer promotie levert

6 niet altijd betere resultaten op. Afhankelijk van het evenement kan meer promotie namelijk leiden tot onnodige investeringen (Hoyle, 2002).

Deze afweging van de promotie heeft te maken met de bekendheid van het evenement of artiest in het dagelijkse leven. Door media als radio en televisie, maar ook door YouTube en Spotify, kan de bekendheid alleen al genoeg zijn om een evenement te verkopen (Connolly & Krueger, 2006). Ook als een artiest in eigen land optreedt, kan dit leiden tot meer verkopen, doordat een artiest in eigen land vaak veel bekender is dan in het buitenland. Dit zorgt ervoor dat evenementen met deze artiest ook sneller verkopen (Schedl, Pohl, Koenigstein & Knees, 2010).

Een ander onderzoek van Suher (2008) streeft ernaar een model te ontwikkelen die de kaartverkoop van grote evenementen kan voorspellen. Aan de hand van de wekelijkse verkopen van dertien evenementen bepaalt Suher (2008) welk model het best toepasbaar is. Suher (2008) merkt als eerste op dat de totale kaartverkoop niet enkel bestaat uit verkochte kaartjes, maar ook uit kaarten die weggegeven zijn aan sponsoren en dergelijke. Deze laatste groep haalt Suher (2008) uit zijn data. Verder heeft hij te maken met censurering, daar hij niet weet wat de populatiegrootte is. De populatie die Suher (2008) wil gebruiken, bevat alle mogelijke klanten die een kaartje kunnen aanschaffen. Suher (2008) heeft overwogen om de capaciteit te gebruiken als populatiegrootte, maar een experiment toont aan dat een getrunceerd model betere resultaten geeft. De resultaten van dit experiment zijn niet vermeld in Suher (2008). Aangezien Suher (2008) wil weten wanneer een kaartje verkocht is en hoe lang dit duurt, kiest hij voor een hazard model. Als input neemt hij de weekverkopen van de kaartjes. Vervolgens verdeelt Suher (2008) de evenementen op in twee clusters. Het eerste cluster bevat voornamelijk klanten die direct een kaartje kopen, terwijl het tweede cluster klanten bevat die pas een kaartje kopen als het evenement nadert. Hiermee wil hij verschillen in aankoopgedrag meenemen in zijn model. schat Suher (2008) met behulp van de maximum-likelihood de parameters en test hij zijn model met vijf nieuwe evenementen om de voorspelkracht van zijn model te testen. Hij concludeert dat drie schattingen binnen 5 procent nauwkeurig zijn en nog eens twee schattingen binnen de

7 10 procent. Dit vindt Suher (2008) exceptioneel, aangezien de enige input variabele de verkopen per week zijn.

Suher (2008) laat met zijn model zien dat met een relatief eenvoudig model toch goede voorspellingen gemaakt kunnen worden. Het gebruik van een hazardmodel is logisch, daar dit antwoord kan geven op de vraag wanneer een kaartje verkocht is. Echter, het model kent een groot nadeel. Het hazardmodel als gebruikt door Suher (2008) maakt geen gebruik van verklarende variabelen. Aangezien Suher (2008) geen verklarende variabelen in zijn model opneemt, zorgt dit ervoor dat de verkregen resultaten kunnen duiden op toeval. Indien hij verklarende variabelen in zijn model had opgenomen, dan had dit kunnen leiden tot een betrouwbaarder model.

Een beter model wordt gebruikt door Chintagunta, Nair en Sukumar (2009). Zij onderzoeken variabelen die invloed hebben op de verkoop van videogameconsoles. Om het effect van deze variabelen te schatten, maken zij een model. Chintagunta, Nair en Sukumar (2009) kiezen voor een proportional hazardmodel, welke in tegenstelling tot het standaard hazardmodel, zoals gebruikt door Suher (2008), wel verklarende variabelen op kan nemen. Aan de hand van het proportional hazardmodel wordt, met verklarende variabelen als de prijs, het aantal verschenen games en de tijd van het jaar, een OLS- of een 2SLS-regressie uitgevoerd die de parameters schat. Chintagunta, Nair en Sukumar (2009) passen 2SLS toe om te controleren voor eventuele endogeniteit. De hiervoor gebruikte data bestaat uit de verkoopcijfers over 90 maanden. Het geschatte model wordt vergeleken met de werkelijke verkopen. Chintagunta, Nair en Sukumar (2009) merken op dat het model in staat is om een nauwkeurige weergave te geven van de werkelijkheid. Tevens wordt door Chintagunta, Nair en Sukumar (2009) opgemerkt dat het effect van nieuwe hardware niet in het model verwerkt is en dat bepaalde verkooppieken niet door het model verklaard kunnen worden en dat dit verder onderzoek vereist.

Het grote voordeel van het onderzoek van Chintagunta, Nair en Sukumar (2009) is dat zij gebruikmaken van een grotere datapool en meerdere verklarende variabelen. Hierdoor is het onderzoek, in tegenstelling tot het onderzoek van Suher (2008), waarschijnlijk betrouwbaarder en zorgen de verklarende variabelen voor meer en betere

8 informatie over de verkopen. Nadelig aan dit onderzoek ten opzichte van deze scriptie is dat het onderzoek van Chintagunta, Nair en Sukumar (2009) gaat over de verkopen van videogameconsoles. Hierdoor hebben de data niet te maken met capaciteit of een maximale verkooptijd, zoals wel het geval is bij evenementen.

Er wordt ook nog gekeken naar de prijs van een kaartje. Uit de micro-economie is reeds bekend dat prijs invloed heeft op de vraag (Jehle & Reny, 2011). Dat dit dan ook van toepassing voor kaartjes van optredens, is dus geen verrassing. Het verschil in prijs per concert wordt ook verklaard door de micro-economie. Mensen zijn bereid meer te betalen voor een concert van hun idool, daar dit de persoon een hoger nut oplevert (Rosen & Rosenfield, 1997; Zieba, 2009).

Om de populariteit van een artiest te bepalen, worden verschillende verklarende variabelen gebruikt. Zo blijkt uit onderzoek dat artiesten die veel ‘hits’ hebben op sociale media, zoals YouTube en Myspace, ook meer concertbezoekers weten te trekken (de Bruine & Zwaan, 2013). Het probleem van sociale media is echter dat zij rekening moeten houden met auteursrechten. Indien er materiaal van een artiest op de site aanwezig is waar auteursrechten op rusten, dan dienen zij hiervoor een vergoeding te betalen (de Wijs & Bijk, 2007). Hetzelfde geldt voor poppodia. Hoe hoger de vergoeding is voor de auteursrechten, hoe bekender de artiest beschouwd kan worden. (Blancquaert, 2009).

Naast de vergoeding voor de auteursrechten vragen de artiesten vaak ook een vergoeding voor het optreden zelf. De hoogte van deze gage hangt af van de onderhandelingsafspraken, maar over het algemeen hebben grotere artiesten ook een hogere gage (Rutten, 1997).

Tot slot volgt uit onderzoek ook dat marketing de kaartverkoop kan vergroten. Door te investeren in de promotie wordt de kans vergroot dat een evenement uitverkocht raakt (Luijten, 2012; Nieuweboer, 2012). Echter, uit Nederland afkomstige artiesten zijn in staat hun optreden meer te promoten dan buitenlandse artiesten. Hierdoor hoeft het poppodium zelf minder uit te geven aan promotiekosten om de verkopen te vergroten (Claessens, 2014).

9 De onderzoeken van Putler en Lele (2003), Suher (2008) en Chintagunta, Nair en Sukumar (2009) verschillen zowel in gebruik als in resultaat van elkaar. Waarbij het onderzoek van Suher (2008) een eenvoudig model gebruikt heeft, gebruikten Chintagunta, Nair en Sukumar (2009) een vergelijkbaar, maar veel uitgebreider model. Putler en Lele (2003) gebruikten een heel ander model met verklarende variabelen, maar zij kunnen met hun model enkel de totale verkopen schatten.

Ook brengen de onderzoeken veel kennis over bruikbare verklarende variabelen. Duidelijk is dat er gekeken moet worden naar de bekendheid van een artiest, zoals dat gedaan is door Putler en Lele (2003). Door verklarende variabelen als de prijs, de promotiekosten, de auteursrechtenkosten, de gage mee te nemen in het model is het mogelijk een solide model te maken. Ook kan er gekeken worden naar de populariteit van een artiest op sociale media en het land van herkomst. Aan de hand van de resultaten van het model moet blijken of deze verklarende variabelen daadwerkelijk invloed uitoefenen op de voorverkoop van kaartjes.

3 Onderzoeksopzet

3.1 Model

In hoofdstuk 2 is van een aantal onderzoeken het model bekeken dat die onderzoekers gebruikten om een soort gelijk probleem aan te pakken. Daaruit kwamen twee modellen: het proportional hazardmodel en het Tobit-model. Reeds werd opgemerkt dat het Tobit-model niet in staat is om de verkoopcijfers per tijdsperiode te bekijken. Het proportional hazardmodel kan dit wel en daarom wordt er voor dit onderzoek gekozen voor een proportional hazardmodel.

Het proportional hazardmodel, als gegeven in Cameron en Trivedi (2005), wordt gegeven door

10 waarbij 𝜆𝜆₀(𝑡𝑡, 𝛼𝛼) de baseline hazard is en welke enkel afhankelijk is van t, en 𝜙𝜙(𝐱𝐱; 𝛽𝛽) een functie is van de verklarende variabelen. Cameron en Trivedi (2005) definiëren 𝜙𝜙(𝐱𝐱; 𝛽𝛽) = exp(β′_{𝐱𝐱) en dit wordt hier ook gehanteerd. De baseline hazard 𝜆𝜆}

0(𝑡𝑡, 𝛼𝛼)

wordt verder gedefinieerd als

𝜆𝜆0(𝑡𝑡, 𝛼𝛼) = lim_ℎ→0Pr [𝑡𝑡 ≤ 𝑇𝑇 < 𝑡𝑡 + ℎ|𝑇𝑇 ≥ 𝑡𝑡]_ℎ =_{1 − 𝐹𝐹(𝑡𝑡) =}𝑓𝑓(𝑡𝑡) 𝑓𝑓(𝑡𝑡)_{𝑆𝑆(𝑡𝑡)} (2)

met 𝑓𝑓(𝑡𝑡) de kansdichtheid, 𝐹𝐹(𝑡𝑡) de verdelingsfunctie en 𝑆𝑆(𝑡𝑡) de overlevingsfunctie van

t, met t de week van verkoop.

De functie 𝜙𝜙(𝐱𝐱; 𝛽𝛽) = exp(β′𝐱𝐱) is een functie van verklarende variabelen. Mogelijke verklarende variabelen zijn reeds beschreven in hoofdstuk 2. De prijs en promotie zijn twee van de variabelen, aangegeven met Prijs en Promotie in vergelijking (3). Voor de bekendheid van de band wordt gekeken naar het totaal aantal abonnees op het videokanaal van de artiest op videosite YouTube, aangegeven met YT. Ook de ontvangen gage G en de auteursrechtenkosten aan Buma B worden meegenomen. Als laatste worden een dummy toegevoegd, NL, die kijkt of een artiest uit Nederland komt of niet en een constante 𝛽𝛽₀. Aangezien Paradiso werkt met een lidmaatschap, wordt er een dummy Lid toegevoegd. Meer informatie over dit lidmaatschap en andere verklarende variabelen worden gegeven in paragraaf 3.2. Dit levert dan de volgende vergelijking op voor optreden i

𝜙𝜙𝑖𝑖(𝐱𝐱; 𝛽𝛽) = exp(β′𝐱𝐱) = exp(𝛽𝛽0+ 𝛽𝛽1𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑖𝑖 + 𝛽𝛽2𝑃𝑃𝑃𝑃𝑟𝑟𝑟𝑟𝑟𝑟𝑡𝑡𝑃𝑃𝑟𝑟𝑖𝑖 + 𝛽𝛽3𝐿𝐿𝑃𝑃𝑑𝑑𝑖𝑖 +

𝛽𝛽4𝑌𝑌𝑇𝑇𝑖𝑖+ 𝛽𝛽5𝐺𝐺𝑖𝑖+ 𝛽𝛽6𝐵𝐵𝑖𝑖+ 𝛽𝛽7𝑁𝑁𝐿𝐿𝑖𝑖)

(3)

Vervolgens wordt er gekeken naar de fractie onverkochte kaartjes op tijdstip t. Deze fractie wordt gegeven door de overlevingsfunctie. Hierdoor wordt verkregen

11 𝐶𝐶𝑖𝑖− 𝑉𝑉𝑖𝑖(𝑡𝑡) 𝐶𝐶𝑖𝑖 = 𝑆𝑆𝑖𝑖(𝑡𝑡) = exp �− � 𝜆𝜆𝑖𝑖(𝑢𝑢)𝑑𝑑𝑢𝑢 𝑡𝑡 0 � = exp �−𝜙𝜙(𝐱𝐱; 𝛽𝛽) � 𝜆𝜆0(𝑢𝑢)𝑑𝑑𝑢𝑢 𝑡𝑡 0 � (4)

met 𝐶𝐶_𝑖𝑖 de capaciteit van de zaal voor optreden i en 𝑉𝑉_𝑖𝑖(𝑡𝑡) de verkopen tot en met week t

voor hetzelfde optreden. Voor de hazardfunctie moet een kansverdeling gekozen worden. Er zijn verschillende mogelijkheden, maar er wordt gekozen voor de Weibull-verdeling. De hazard wordt gegeven door 𝜆𝜆₀(𝑡𝑡, 𝛼𝛼) = 𝛼𝛼𝑡𝑡𝛼𝛼−1 en de geïntegreerde hazard door Λ(𝑡𝑡, 𝛼𝛼) = ∫ 𝜆𝜆₀𝑡𝑡 ₀(𝑢𝑢)𝑑𝑑𝑢𝑢= 𝑡𝑡𝛼𝛼. Indien 𝛼𝛼, de tijdafhankelijksheidsparameter, groter dan 1 is, dan is de hazard monotoon stijgend en monotoon dalend indien 𝛼𝛼 kleiner dan 1 is. Indien de hazard montoon stijgend is, dan neemt de kans dat een kaartje verkocht wordt met de tijd toe.

Aangezien vergelijking (4) niet direct geschat kan worden door middel van OLS en OLS wel de meest consistente resultaten oplevert, wordt deze vergelijking herschreven. Hierdoor wordt verkregen

−log �𝐶𝐶𝑖𝑖− 𝑉𝑉_𝐶𝐶 𝑖𝑖(𝑡𝑡)

𝑖𝑖 � = 𝜙𝜙(𝐱𝐱; 𝛽𝛽) � 𝜆𝜆0(𝑢𝑢)𝑑𝑑𝑢𝑢 𝑡𝑡

0 = 𝜙𝜙𝑖𝑖(𝐱𝐱; 𝛽𝛽)Λ(𝑡𝑡, 𝛼𝛼)

(5)

Tot slot worden vergelijking (3) en de geïntegreerde hazard Λ(𝑡𝑡, 𝛼𝛼) = 𝑡𝑡𝛼𝛼 ingevoegd en wederom herschreven, wat resulteert in vergelijking (6).

log(𝑡𝑡𝑖𝑖) = −𝛽𝛽_{𝛼𝛼 𝐱𝐱 +}𝑖𝑖 1_{𝛼𝛼 log �− log �}𝐶𝐶𝑖𝑖− 𝑉𝑉_𝐶𝐶 𝑖𝑖(𝑡𝑡)

𝑖𝑖 �� + 𝜖𝜖𝑖𝑖 (6)

Dit model, model 1, is gebaseerd op het model dat Cameron en Trivindi (2005) gebruiken. Echter, Chintagunta, Nair en Sukumar (2009) gebruiken een vergelijkbaar model, maar met een andere afhankelijke variabele. Zij gebruiken log �− log �𝐶𝐶𝑖𝑖−𝑉𝑉𝑖𝑖(𝑡𝑡)

𝐶𝐶𝑖𝑖 ��

als afhankelijke variabele en de variabele log(𝑡𝑡) als verklarende variabele om de baseline hazard te bepalen. Dit model, model 2, wordt beschreven in vergelijking (7).

12 log �− log �𝐶𝐶𝑖𝑖 − 𝑉𝑉_𝐶𝐶 𝑖𝑖(𝑡𝑡)

𝑖𝑖 �� = 𝛽𝛽𝑖𝑖𝐱𝐱 + 𝛼𝛼 log(𝑡𝑡𝑖𝑖) + 𝜖𝜖𝑖𝑖 (7)

Zowel model 1 als 2 worden gebruikt in dit onderzoek en aan de hand van de resultaten wordt gekeken welk model nauwkeuriger is. Beide modellen zijn lineair en daarom worden de coëfficiënten geschat met behulp van de kleinstekwadratenmethode (OLS). Aangezien in model 1 de coëfficiënten 𝛽𝛽_𝑖𝑖 afhangen van een andere coëfficiënt, namelijk 𝛼𝛼, en OLS hier geen rekening mee houdt, wordt de deltamethode gebruikt om de juiste waarden te verkrijgen. Merk op dat 𝜖𝜖_𝑖𝑖 toegevoegd is als storingsterm. Met deze modellen worden in hoofdstuk 4 de parameters geschat. Hiervoor zijn wel data nodig, welke in de volgende paragraaf beschreven worden.

3.2 Data

De gebruikte data zijn afkomstig van het poppodium Paradiso te Amsterdam. Paradiso is opgericht in 1968 met als doel een vrijplaats te bieden voor creatief talent (Paradiso, 2015a). Meer dan veertig jaar later trekt Paradiso jaarlijks met zo’n 1000 programma’s ruim 550.000 bezoekers in meer dan 5 zalen (Paradiso, 2014).

De geleverde data bevat informatie over 149 evenementen gehouden tussen 1 januari 2014 en 10 november 2014. De weekverkopen, prijs voor een kaartje, een eventueel lidmaatschap, de gage, de auteursrechtenkosten en de promotiekosten zijn hierbij gegeven. Het lidmaatschap is verplicht bij Paradiso, waarbij een maand- of een jaarlidmaatschap aangeschaft moet worden. Deze bedraagt €3,50 bij een maandlidmaatschap en €25, - bij een jaarlidmaatschap. Echter, bij sommige optredens zit het lidmaatschap in de prijs verwerkt (Paradiso, 2015b). Indien dit het geval is, wordt dit weergegeven met 1 in de data. Indien de prijs exclusief lidmaatschap is, dan is dit een 0 in de data.

In dit onderzoek wordt er enkel gekeken naar optredens in de grote zaal van Paradiso. Deze zaal biedt plaats aan 1.500 man (Paradiso, 2015c). Echter, deze

13 capaciteit wordt niet bij elk optreden gehanteerd. Indien de gebruikte zaalcapaciteit niet nader gespecificeerd is, wordt de standaard capaciteit van 1.500 gebruikt. De prijs van een kaartje, de promotiekosten, de gage en de auteursrechtenkosten worden gegeven in euro’s. De website van Paradiso levert de informatie voor elk optreden. Deze geeft van alle evenementen die plaatsvinden in Paradiso een korte omschrijving. Hierin wordt onder andere het land van herkomst van de artiest benoemd. Indien de artiest uit Nederland afkomstig is, dan wordt dit weergegeven met 1 in de data en 0 anders.

Aangezien het gebruikte proportional hazardmodel, zoals gegeven in vergelijkingen (6) en (7), geen rekening houdt met mogelijke uitverkoop, worden de weken waarin optredens uitverkocht zijn uit de data gehaald. Hierdoor hoeft er geen rekening gehouden te worden met censurering in het model, wat nauwkeurigere resultaten op moet leveren. Het aantal abonnees op YouTube wordt bepaald aan het begin van de voorverkoop. Er wordt gekozen voor het aantal abonnees, omdat dit een indicatie is van het aantal fans van een artiest. Aangezien YouTube enkel het aantal abonnees van vandaag laat zien, wordt de site socialblade.com gebruikt om data uit het verleden te vinden. Het aantal abonnees wordt weergegeven in duizenden en omvat wereldwijde cijfers. Indien een artiest niet actief is op YouTube, dan heeft deze in de gebruikte dataset nul abonnees. Sommige artiesten gebruiken meerdere kanalen. Zij hebben dan een eigen kanaal en een kanaal beheerd door Vevo, een bedrijf dat muziekvideo’s aanbiedt van drie grote platenmaatschappijen (Vevo, 2015). Het kanaal met de meeste abonnees wordt gebruikt in de dataset. Dit wordt gedaan om te voorkomen dat mensen die op beide kanalen geabonneerd zijn tweemaal worden meegenomen in het model. Indien een artiest op YouTube gerepresenteerd wordt door het kanaal van de platenmaatschappij, zoals EMI Music, dan wordt er eerst gekeken naar het totaal aantal views dat deze artiest bijgedragen heeft aan het kanaal. Vervolgens wordt het percentage van het totaal aantal views gebruikt om een schatting te maken van de abonnee bijdrage van deze artiest.

Verwacht wordt dat de prijs een negatief effect heeft op de voorverkoop van kaartjes. Dit volgt uit bekende, economische theorieën zoals beschreven in hoofdstuk 2. Daarnaast wordt er verwacht dat verklarende variabelen die betrekking hebben tot de

14 bekendheid van de artiest een positief effect op de verkopen hebben. Het gaat hierbij om de promotiekosten, de gage, de auteursrechtenkosten en de nationaliteit van de artiest. Hoe hoger de waardes zijn van deze verklarende variabelen, hoe bekender de artiest geacht wordt en dus hoe meer verkopen er gegenereerd worden.

Echter, er zijn twijfels over het effect van het lidmaatschap en het aantal YouTube abonnees. Het lidmaatschap is een bedrag van €3,50 bovenop de verkoopprijs indien deze niet inbegrepen is. Aangezien er verwacht wordt dat dit bedrag concertbezoekers niet tegenhoudt om hun favoriete artiest te zien, wordt er verwacht dat deze geen significant effect heeft. Hetzelfde geldt voor de YouTube abonnees. Daar de gebruikte data wereldwijde aantallen van abonnees omvatten, kan het zijn dat deze aantallen niet representatief zijn voor Nederland.

Indien deze verwachtingen vertaald worden naar de modellen, dan leveren dit andere verwachtingen op. Voor model 1 houdt dit in dat een hogere coëfficiënt 𝛽𝛽_𝑖𝑖 leidt tot een daling van de afhankelijke variabele 𝑡𝑡. Dit wordt verklaard door het minteken dat voor de coëfficiënt staat in vergelijking (6). Dan volgt ook dat er verwacht wordt dat de prijs een positief effect heeft op de afhankelijke variabele, terwijl de verklarende variabelen de promotiekosten, de gage, de auteursrechten en de nationaliteit een verwacht negatief effect hebben. In het geval van model 2 wordt echter verwacht dat de prijs een negatief effect heeft op de afhankelijke variabele, terwijl de promotiekosten, de gage, de auteursrechten en de nationaliteit een verwacht positief effect hebben op de afhankelijke variabele.

4 Resultaten en analyse

In dit hoofdstuk worden de schattingsresultaten van de modellen, zoals gegeven in vergelijkingen (6) en (7), beschreven. Hiervoor wordt eerst de beschrijvende statistiek van de verklarende variabelen gegeven in paragraaf 4.1. Vervolgens komen de regressieresultaten aan bod. Dit gebeurt in paragraaf 4.2. Tot slot worden aan de hand van een analyse in paragraaf 4.3 de resultaten en de gevolgen die deze resultaten hebben op het voorspelmodel besproken.

15 4.1 Beschrijving data

Als eerste de beschrijvende statistiek, zoals gegeven in figuur 1. In de eerste kolom staan de variabelen vermeld. In kolom twee, drie, vier en vijf staan het gemiddelde, de standaarddeviatie, het minimum en het maximum van de waarnemingen, respectievelijk. De gemiddelden en de standaarddeviaties zijn berekend over alle optredens, dus inclusief nul. In kolom zes staat het aantal optredens waarbij de bijbehorende variabele groter dan nul is. Met andere woorden, het aantal artiesten met YouTube abonnees, is

128. De

variabelen zijn onderverdeeld in twee categorieën: standaard en dummy variabelen. Daar kolom drie tot en met vijf geen relevantie informatie brengen voor de dummy’s, staan in deze kolommen niets aangegeven.

Uit figuur 1 blijkt dat de 149 optredens goed zijn voor 2258 observaties. De prijs van een kaartje ligt tussen de 10,00 en de 50,00 euro, met een gemiddelde van €21,91. Er waren 65 optredens met promotiekosten met een maximum van 2.210 euro. Gemiddeld zijn deze kosten 292 euro. Van alle artiesten zijn er 128 met YouTube abonnees waarbij het maximum ligt op 4,8 miljoen abonnees. Het gemiddeld aantal

Figuur 1. - Beschrijvende statistiek

Aantal optredens 149 Observaties 2258 Variabele Gemiddelde SD Min. Max. Waarnemingenb

Normale variabelen Prijs 21,91 7,56 10,00 50,00 149 Promotiekostena 0,29 0,46 0,00 2,21 65 YT abonneesa 136,59 637,95 0 4.800,00 128 Gagea 11,60 8,84 0,00 42,50 142 Bumaa 1,41 0,96 0,00 4,97 146 Dummy variabelen Lidmaatschap 0,05 - - - 8 Nederlands 0,20 - - - 30 a. In duizenden

b. Waarnemingen ten opzichte van het aantal optredens.

16 abonnees is 136.590 en dit heeft een standaard deviatie van 637.950 Van de 149 artiesten hebben 142 artiesten een gage gekregen, goed voor een gemiddelde van 11.600 euro, waarbij het maximum ligt op 42.500 euro. De kosten voor de auteursrechten Buma zijn van toepassing op 146 optredens met een gemiddelde van 1.406,89 euro en een maximum van 4.966,00 euro. Verder zijn er acht evenementen waarin het lidmaatschap in de prijs verwerkt is en zijn er dertig artiesten afkomstig uit Nederland.

4.2 Empirische analyse

Figuur 2 bevat de regressieresultaten. De eerste kolom bevat de variabelen. Kolommen twee tot en met vijf zijn onderverdeeld in de twee afhankelijke variabelen: de eerste bevat de afhankelijke variabele log(𝑡𝑡) , terwijl de tweede afhankelijke variabele log �−log �𝐶𝐶𝑖𝑖−𝑉𝑉𝑖𝑖

𝐶𝐶𝑖𝑖 �� bevat. In de tabel is deze laatste afhankelijke variabele vermeld als

log(𝐴𝐴𝑖𝑖). Kolommen twee en vier bevatten de schattingen van de coëfficiënten en in

kolommen drie en vijf zijn de standaarddeviaties vermeld. Figuur 2. - Regressieresultaten

Afhankelijke variabele log(t) [model 1] log(Ai)a [model 2]

R² 0,458 R² 0,725

Variabele Coëfficiënt SD Coëfficiënt SD

Constante -5,111b 0,122 -3,149b 0,070 Prijs -0,068b 0,005 -0,068b 0,004 Lidmaatschap -0,052 0,114 -0,361b 0,076 Abonnees 0,000 0,000 0,000 0,000 Promotie -0,162b 0,061 -0,239b 0,041 Nederlands 0,268b 0,064 0,179b 0,043 Gage 0,011 0,006 0,017b 0,004 Buma 1,353b 0,051 1,248b 0,034 Hazard 1,694b 0,040 0,761b 0,018

a. log(Ai)=log(-log([capaciteit-totale verkopen]/capaciteit))

17 De resultaten, zoals vermeldt in figuur 2, tonen aan dat het model met log(𝑡𝑡) als afhankelijke variabele een R2 heeft van 0,458. Merk op dat bij model 1 de coëfficiënten van teken wisselen door het minteken voor 𝛽𝛽_𝑖𝑖, zie vergelijking (6). Dan volgt dat indien de prijs van een kaartje met 1 euro stijgt, dan zal t, de weken in voorverkoop, met 6,8 procent stijgen. Zit in deze prijs ook het lidmaatschap verwerkt, dan zal dit een additionele stijging van 5,2 procent meebrengen. Een extra duizend YouTube abonnees levert nauwelijks iets op met een coëfficiënt van slechts 8,08*10-5. Promotie levert per duizend euro een stijging van 16,2 procent op, terwijl de Nederlandse nationaliteit t met 26,8 procent laat dalen. Als er duizend euro meer betaald moet worden voor auteursrechten aan Buma, dan zal t dalen met 135,3 procent, terwijl duizend euro aan extra gage een daling teweeg brengt van 1,1 procent. De tijdafhankelijkheidsparameter geschat op 1,694, wat duidt op een monotoon stijgende baseline hazard. Tot slot blijken bij een significantieniveau van 5 procent de parameters voor het lidmaatschap, de YouTube abonnees en de gage niet significant te zijn.

Voor het model van log �−log �𝐶𝐶𝑖𝑖−𝑉𝑉𝑖𝑖

𝐶𝐶𝑖𝑖 ��, in het vervolg aangeduid als log(𝐴𝐴𝑖𝑖),

gelden andere coëfficiënten. De verklaringsgraad R2 in dit model is 0,725. De prijs heeft een nagenoeg gelijk effect als bij het model met log(𝑡𝑡) als verklaringsgraad, waarbij een stijging van 1 euro leidt tot een daling van 𝐴𝐴_𝑖𝑖 met 6,8 procent. De YouTube abonnees geven vergelijkbaar effect als voorheen met een coëfficiënt van 1,22*10-5. Een lidmaatschap dat verwerkt zit in de prijs levert in dit model 36,1 procent minder van 𝐴𝐴_𝑖𝑖. Duizend euro aan extra investeringen in promotiekosten levert een daling van 𝐴𝐴_𝑖𝑖 op van 23,9 procent op, terwijl bij duizend euro aan extra gage een stijging van 𝐴𝐴_𝑖𝑖 verwacht wordt van 1,7 procent. Een uit Nederland afkomstige artiest zorgt voor een stijging van 17,9 procent en duizend euro aan auteursrechtenkosten zorgt voor een stijging van 124,8 procent van 𝐴𝐴_𝑖𝑖. De tijdafhankelijkheidsparameter heeft een coëfficiënt van 0,761. Dit duidt op een monotoon dalende baseline hazard. Tot slot zijn de coëfficiënten van de YouTube abonnees en de gage niet significant.

18 4.3 Analyse

Er zijn verschillende theorieën die de resultaten kunnen verklaren. In deze paragraaf wordt dit gedaan en wordt getracht een antwoord te vinden om te gestelde hypotheses uit hoofdstuk 3. Hiervoor wordt er eerst gekeken of er problemen zijn die de resultaten kunnen beïnvloeden. Vervolgens wordt gekeken wat de coëfficiënten daadwerkelijk betekenen voor het schattingsmodel en wordt er gekeken naar de verschillen tussen de modellen 1 en 2.

4.3.1 Endogeniteit

Hoewel beide modellen een hoge verklaringsgraad hebben, zijn deze niets waard indien er sprake is van endogeniteit. Aangezien de afhankelijke variabele van het ene model een verklarende variabele is van het andere model, is de kans aanwezig dat er sprake is van endogeniteit. Dit moet om deze reden getoetst worden en dit wordt gedaan door middel van de Hausman-toets.

Om te beginnen bij het model met als afhankelijke variabele log(t). Hierbij waren het lidmaatschap, de gage en de YouTube abonnees niet significant. De verklarende variabele die getoetst wordt op endogeniteit is log �−log �Ci−Vi

Ci ��. Als instrumenten

worden de prijs, het lidmaatschap, de YouTube abonnees, de promotiekosten, de gage, de auteursrechtenkosten en de nationaliteit genomen. Indien de Hausman-toetsgrootheid groter dan 3,846 is, dan kan aangenomen worden dat deze verklarende variabele endogeen is. Echter, de Hausman-toetsgrootheid wordt berekend op 1,26. Dan volgt dat er niet aangenomen kan worden dat log �−log �Ci−Vi

Ci �� endogeen is.

Vervolgens wordt er gekeken naar mogelijke endogeniteit in model 2. Hierbij zijn enkel de YouTube abonnees niet significant. De getoetste verklarende variabele is log(t) en de instrumenten zijn hetzelfde als bij de vorige toets. Ditmaal is de Hausman-toetsgrootheid 0,16. Er kan aangenomen worden dat log(t) niet endogeen is.

19 Naast deze verklarende variabelen wordt ook verwacht dat de promotiekosten, de auteursrechtenkosten en de gage endogeen zijn. Echter, wegens gebrek aan additionele data ben ik niet in staat om met de huidige verklarende variabelen mogelijke endogeniteit van deze drie verklarende variabelen bloot te stellen. Dit vereist nader onderzoek. Aangezien ik deze verklarende variabelen niet goed kan testen op endogeniteit, wordt aangenomen dat deze verklarende variabelen exogeen zijn en wordt aangenomen dat de OLS consistent is.

4.3.2 Coëfficiëntenanalyse

In paragraaf 4.1 werd gezegd dat een stijging van de prijs met 1 euro leidt tot een stijging van 6,4 procent van het aantal weken in de voorverkoop. Echter, er is geen enkele verklaring waarom prijs leidt tot een daling noch stijging van het aantal weken. De werkelijke betekenis van de coëfficiënten ligt hem dan ook niet de modellen 1 en 2, maar in de oorspronkelijke vergelijking (4), welke in vergelijking (8) volledig uitgeschreven is. Hieruit kan ik een aantal dingen opmerken.

Fractie onverkochte kaartjes = 𝐶𝐶𝑖𝑖−𝑉𝑉𝑖𝑖(𝑡𝑡)

𝐶𝐶_𝑖𝑖 = exp( − exp (𝛽𝛽𝑖𝑖′𝒙𝒙) ∙ 𝑡𝑡𝛼𝛼) (8)

Ten eerst zorgt een grotere tijdafhankelijkheidsparameter 𝛼𝛼 voor een lagere fractie onverkochte kaartjes. Daarnaast zorgt een grotere waarde van 𝜙𝜙_𝑖𝑖(𝐱𝐱; 𝛽𝛽) = exp(β_i′𝐱𝐱) ook voor een lagere fractie onverkochte kaartjes. Hieruit maak ik op dat een positieve coëfficiënt 𝛽𝛽_𝑖𝑖′ leidt tot een daling van de fractie onverkochte kaartjes.

Met deze kennis kan ik nu de regressieresultaten van figuur 2 juist interpreteren. Dat de prijs een negatieve variabele is, is een verwacht resultaat. Als de prijs van een kaartje stijgt, dan daalt het nut van de consument en daarmee ook de neiging om het kaartje te kopen. Het effect van een lidmaatschap dat verwerkt zit in de prijs is ook negatief, wat tegenstrijdig is aan het resultaat van de prijs. Indien het lidmaatschap in de prijs verwerkt is, dan is dit een besparing van 3,50 op de verkoopprijs. Aangezien het

20 lidmaatschap niet-significant is bij model 1, doet dit vermoeden dat het effect van het lidmaatschap veroorzaakt wordt door de andere verklarende variabelen. Aangezien slecht 5 procent van de optredens een lidmaatschap hebben, versterkt dit dat vermoeden. Voor de bekendheid van de artiest zijn de verklarende variabelen de YouTube abonnees, de gage, de promotiekosten, de auteursrechten en de nationaliteit van de artiest gebruikt, waarbij verwacht wordt dat deze een positief effect hebben op de verkoop. De YouTube abonnees hebben een nihil en niet-significant effect, wat verklaard kan worden door de data zelf. Aangezien de data wereldwijde cijfers gebruikt, betekent dit niet dat dit ook representatief is voor Nederland. Dit laatste lijkt het geval te zijn. Ook de gage heeft significantieproblemen bij model 1, maar bij model 2 is deze wel significant. Verwacht wordt dat er meer gage gevraagd wordt door bekendere artiesten en aangezien bekendere artiesten meer verkopen genereren, is het waarschijnlijk dat de gage wel significant is. De reden dat de gage in model 1 niet significant is, wordt besproken in de volgende paragraaf.

De promotiekosten hebben een negatief effect, wat verrassend genoemd kan worden. Indien er promotie gemaakt wordt voor een optreden, verwacht je dat er meer kaartjes verkocht worden. Echter, dat lijkt hier niet het geval te zijn. De verklaring hiervoor is dat niet elk optreden promotiekosten heeft. De snel-verkopende optredens hebben over het algemeen geen promotiekosten, terwijl vooral de kleinere optredens die langzaam verkopen wel promotiekosten hebben. De promotiekosten lijken vooral te dienen om geheel onbekende artiesten toch enigszins onder de aandacht te brengen bij het publiek. Hoe meer promotie er gemaakt is, des te onbekender de artiest eigenlijk is, wat weer leidt tot langzamere verkopen.

Indien de artiest uit Nederland komt, heeft dit een positief effect op de verkoop. Dit kan verklaard worden door het feit dat een Nederlandse artiest bekender is in Nederland dan de internationale artiesten die optreden in Paradiso. Dit verhoogt de verkoop van de kaartjes. Ook de auteursrechtenkosten hebben een sterk positief effect op de voorverkoop. Hoe hoger de auteursrechtenkosten zijn, hoe bekender de artiest is voor de klant, wat tot gevolg heeft dat dit de voorverkoop positief beïnvloed.

21

4.3.3 Verschillen tussen de modellen

Hoewel beide modellen gebaseerd zijn op het proportional hazardmodel, verschillen ze wel in hun regressieresultaten. De grootste verschillen zijn te zien in de constante, het wel of niet significant zijn van het lidmaatschap en de gage en de coëfficiënten voor de baseline hazard. Maar waarom zijn deze resultaten verschillend en wat zijn de gevolgen hiervan? In deze sectie wordt antwoord gegeven op die vragen.

Om te beginnen met de regressiecoëfficiënten die verschillen. Alhoewel dit niet ongewoon is indien een andere verklarende variabelen gebruikt wordt, is het verschil van cruciaal belang voor de baseline hazard, daar deze of monotoon stijgend of monotoon dalend is. Het verschil van de resultaten is te verklaren door de aard van de twee verklarende variabelen. De verklarende variabele log(𝑡𝑡) maakt gebruik van de variabele t, ofwel tijd. Aangezien deze variabele discreet is en niet continu zoals de verklarende variabele van model 2, kan dit een nadelig effect hebben op de schattingsresultaten. Dit resulteert in andere coëfficiënten voor de verklarende variabelen van beide modellen, met als bijkomend effect dat sommige verklarende variabelen in model 1 niet significant zijn, maar in model 2 wel.

Een ander gevolg hiervan is dat de baseline hazard van beide modellen een andere waarde aannemen. Voor model 1 is dit een waarde groter dan één, wat duidt op een monotoon stijgende baseline hazard, terwijl model 2 een waarde kleiner dan één heeft, een monotoon dalende baseline hazard. Een monotoon stijgende (dalende) baseline hazard houdt in dat de kans op het verkopen van een kaartje toeneemt (afneemt) met de tijd. Dit heeft tot direct gevolg dat in model 1 een optreden eerder uitverkocht raakt dan in model 2. Echter, zonder voorspellingen kan er geen uitspraak worden gedaan of dit verschil in baseline hazard grote gevolgen heeft voor het voorspelmodel.

22

5 Voorspellingen

Om de modellen te toetsen, worden er vier nieuwe evenementen gebruikt. In figuur 3 staan een aantal gegevens van de optredens die gebruikt worden voor deze voorspellingen. Het doel van de voorspellingen is om meer inzicht te krijgen in de kracht van de modellen en het verschil tussen de modellen. Hiervoor wordt de nauwkeurigheid van de voorspellingen beoordeeld en wordt geanalyseerd wat er beter kan. Als meetfout wordt een maximum van 10 procent ten opzichte van de werkelijke waarde getolereerd.

De optredens, waarvan de karakteristieken zijn weergegeven in figuur 3, hebben een verkoopperiode van vijf tot dertien weken. In deze weken zijn de optredens niet uitverkocht. Dit resulteert in de voorspellingen zoals weergegeven in de figuren 4 en 5.

Te zien valt dat in het geval van Atari Teenage Riot dat de waarden van beide modellen dicht bij de werkelijke waarde liggen. Over de gehele verkoopperiode zijn zowel model 1 als model 2 binnen de betrouwbaarheidsintervallen te vinden. Bij Migos zijn beide modellen in het begin dicht bij de werkelijke waarde, maar naarmate de tijd vordert daalt de nauwkeurigheid van model 1. Ook model 2 valt tussen week 5 en week 11 buiten de betrouwbaarheidsintervallen, maar herstelt zich vanaf week 11. Bij zowel Racoon als Paul Weller zijn beide modellen te negatief over de verkopen en daardoor zijn de schattingen van beide modellen over de gehele verkoopperiode buiten de betrouwbaarheidsintervallen. Hier lijkt model 1 meer last van te hebben dan model 2, daar model 2 dichter tegen de betrouwbaarheidsgrenzen ligt dan model 1. Daarnaast

Figuur 3. - Gegevens optredens

Artiest Prijs Lid. Promotiea Abonnees Gagea Bumaa Nederlands

Racoon 32,50 Nee - 6.100 - - Ja

Migos 25,00 Nee - 128.890 - - Nee

Paul Weller 35,00 Nee - 8.150 - - Nee

Atari Teenage Riot 15,00 Nee - 16.677 - - Nee

23 Figuur 4. – Voorspellingen Migos en Atari Teenage Riot

De blauwe lijn stelt de werkelijke waarde voor, de gestippelde lijn de getolereerde maximum meetfout. De rode lijn stelt de voorspelling van model 1 voor en de groene lijn de voorspelling van model 2.

merk ik op dat de modellen voornamelijk moeite hebben met pieken in de verkoop, zoals te zien is in de laatste weken van de verkoop bij Migos en Atari Teenage Riot. Waar de schattingen nagenoeg lineair blijven, dalen de werkelijke waarden plotseling sterker.

Dit laatste probleem heeft te maken met de aard van de modellen. Aangezien er gekozen is voor een Weibull-verdeling voor de baseline hazard en deze of monotoon stijgend of monotoon dalend is, kan het model niet goed tegen dergelijke pieken in de verkoop, zoals te zien is Atari Teenage Riot na week 7 en week 10 tot 12 bij Migos. Waar het werkelijke model plots sterker daalt, blijven de voorspellingen nagenoeg lineair. Een meer geavanceerde kansverdeling, zoals de log-logistische-verdeling, met een niet-monotone hazard kan minder last ondervinden van dit probleem.

Ook valt het verschil tussen model 1 en model 2 op. Daar model 1 een hogere baseline hazard heeft, welke groter dan 1 is, heeft dat model te maken met een monotoon stijgende functie. Dit heeft tot gevolg dat schattingen van model 1 sneller dalen dan model bij model 2. Kijkende naar de voorspellingen lijkt het er bovendien op

24 Figuur 5. – Voorspellingen Racoon en Paul Weller

De blauwe lijn stelt de werkelijke waarde voor, de gestippelde lijn de getolereerde maximum meetfout. De rode lijn stelt de voorspelling van model 1 voor en de groene lijn de voorspelling van model 2.

dat model 2 over het algemeen dichter tegen de werkelijke waarde aan ligt dan model 1. Het lijkt erop dat model 2 een betere schatting geeft van de werkelijke verkoopsnelheid dan model 1.

Daarnaast, in het geval van Racoon en Paul Weller, blijken de modellen te negatief. Dit kan komen door het feit dat het model niet goed genoeg is om in te schatten hoe bekend een artiest is. De voorspellingen laten zien dat deze optredens nagenoeg uitverkocht zijn in de verkoopperiode, maar kijkende naar de gegevens uit figuur 3 wordt niet verwacht dat deze optredens uitverkocht zouden raken. Additionele verklarende variabelen zou dit probleem kunnen verhelpen.

Desondanks de bovenstaande problemen zijn de modellen wel in staat om nauwkeurige voorspellingen te maken, zoals bij Migos en Atari Teenage Riot. Aan het begin van de verkoopperiode bij Migos is model 1 nauwkeuriger, maar vanaf week 7 is model 2 nauwkeuriger. Bij Atari Teenage Riot liggen de werkelijke verkopen tussen de schattingen van model 1 en model 2 in tot week 7, waar een piek in de verkopen plaatsvindt. Echter, de schattingen van model 2 lijken de werkelijke verkoopsnelheid

25 beter weer te geven dan model 1. Daarom raad ik aan om model 2 te gebruiken om de voorverkoop van kaartjes van Paradiso te schatten.

6 Conclusie

In deze scriptie is onderzoek gedaan naar de voorverkoop van concertkaartjes van Nederlandse poppodia, in het bijzonder het Amsterdamse Paradiso, en het creëren van een model dat in staat is de voorverkoop te voorspellen. Aanleiding voor dit onderzoek was de behoefte aan een dergelijke model van Paradiso, daar bleek dat er weinig modellen ontwikkeld zijn over dit onderwerp.

Uit de literatuur is gebleken dat er voor dergelijke voorspelmodellen twee mogelijkheden zijn. Ten eerste het Tobit-model als beschreven door Putler en Lele (2003) en ten tweede het hazardmodel, zoals gebruikt door Suher (2008), en een variant daarvan in het proportional hazardmodel van Chintagunta, Nair en Sukumar (2009). Het voordeel van het Tobit-model is dat het om kan gaan met het mogelijk uitverkocht raken van een optreden, terwijl het proportional hazardmodel voorspellingen kan doen over een tijdsperiode. Aangezien in dit onderzoek vooral interesse was in de verkopen over de gehele tijdsperiode, is er gekozen voor het proportional hazardmodel.

Dit proportional hazardmodel maakt gebruik van verklarende variabelen. Uit de literatuur is gebleken dat de voornaamste verklarende variabelen voor de voorverkoop van kaartjes te verdelen zijn in twee categorieën. De eerste categorie bevatte bekende economische variabelen zoals de prijs, terwijl de tweede categorie te maken had met de bekendheid van de artiest. Dit laatste is in dit onderzoek gemeten aan de hand van verklarende variabelen als onder andere de YouTube abonnees, de promotiekosten en de auteursrechtenkosten.

Aan de hand van twee modellen, gebaseerd op Chintagunta, Nair en Sukumar (2009), zijn vervolgens twee OLS-regressies uitgevoerd om het effect van deze verklarende variabelen te schatten. Hieruit is gebleken dat de prijs, het lidmaatschap en de promotiekosten een negatief effect hadden op de voorverkoop, terwijl de gage, de auteursrechtenkosten, de nationaliteit en de YouTube abonnees een positief effect

26 hadden. Ook is gebleken dat beide modellen een andere baseline hazard gebruikten. Model 1 gebruikt een monotoon stijgende baseline hazard, terwijl model 2 een monotoon dalende baseline hazard heeft. Echter, er werd ook opgemerkt dat een aantal verklarende variabelen, de promotiekosten, de auteursrechtenkosten en de gage, endogeen konden zijn, maar dat dit niet goed getoetst kon worden en dat dit verder onderzoek vereist.

Ondanks deze verschillen is gebleken uit de voorspellingen dat beide modellen dicht bij de werkelijke waarde kunnen liggen. Gebleken is dat na een bepaalde tijd de voorspelling van model 1 positiever is dan die van model 2, wat verklaard werd door de tijdafhankelijkheidsparameter, die groter is bij model 1 dan bij model 2. Echter, model 2 bleek een betere weergave te zijn van de werkelijke verkoopsnelheid en daarom werd geconstateerd dat model 2 beter in staat is om de voorverkopen van kaartjes van Paradiso te voorspellen dan model 1.

Daarnaast is uit de voorspellingen gebleken dat de modellen ruimte bieden tot verbetering. Voornamelijk het verklarende gedeelte bleek tekort te schieten bij snel verkopende optredens. Door toevoeging van nieuwe verklarende variabelen is het mogelijk dat de nauwkeurigheid van de modellen toeneemt voor deze voorspellingen.

Bovendien is gebleken dat de modellen moeite hadden met verkooppieken. Aangezien de Weibull-verdeling een monotoon stijgende of dalende baseline hazard geeft, zijn de modellen niet in staat om met dergelijke pieken om te gaan. Een mogelijkheid is om gebruik te maken van een geavanceerdere verdeling, zoals de log-logistische-verdeling, om zo de nauwkeurigheid te verbeteren.

Desondanks deze problemen is wel gebleken dat de modellen in staat zijn sommige evenementen nauwkeurig, binnen 10 procent van de werkelijke waarde, te kunnen voorspellen. Hierdoor kunnen deze modellen gebruikt worden om het management een beeld te geven van het aantal kaartjes dat verkocht wordt in de verkoopperiode. Aan de hand van deze schattingen kan het management vervolgens zijn strategie bepalen om een zo hoog mogelijke omzet te genereren.

27 Bibliografie

Bennett, R. (2002). Ticket sales forecasting methods and performance of UK theatre companies. International Journal of Arts Management, pp. 36-49.

Blancquaert, N. (2009). Auteursrechten en de waarde ervan voor muzikanten in de

non-stop evoluerende muziekindustrie van vandaag: een kwalitatief onderzoek.

Geraadpleegd op 24-06-15, van http://vibeserver.net/scripties/auteursrechten-%20en%20de%20waarde%20ervan.pdf.

de Bruine, A., & Zwaan, K (2013). De meerwaarde van sociale media in poppodiummarketing. Vrijetijdstudies. 31(4), pp 7-23.

Cameron, A. C., & Trivedi, P. K. (2005). Microeconometrics: methods and

applications. Cambridge university press.

Chintagunta, P. K., Nair, H. S., & Sukumar, R. (2009). Measuring marketing‐mix effects in the 32/64 bit video‐game console market. Journal of Applied

Econometrics, 24(3), pp. 421-445.

Claessens, N. (2014). Vlaamse populaire muziek: Een overzicht van de sector.

Connolly, M., & Krueger, A. B. (2006). Rockonomics: The economics of popular music. Handbook of the Economics of Art and Culture, 1, pp. 667-719.

Dee, A., & Schans, B. (2014). Poppodia in cijfers 2013. Amsterdam: Vereniging Nederlandse Poppodia en Festivals.

Goossens, F. X., Frijns, T., van Hasselt, N. E., & van Laar, M. W. (2014). Het grote uitgaansonderzoek 2013. Uitgaanspatronen, middelengebruik en risicogedrag

onder uitgaande jongeren en jongvolwassenen. Utrecht: Trimbos-instituut.

Heij, C., De Boer, P., Franses, P. H., Kloek, T., & Van Dijk, H. K. (2004). Econometric

methods with applications in business and economics. Oxford University Press.

Hoek, J., Gendall, P., Jeffcoat, M., & Orsman, D. (1997). Sponsorship and advertising: a comparison of their effects. Journal of Marketing Communications, 3(1), pp. 21-32.

Hoyle, L. H. (2002). Event marketing: How to successfully promote events, festivals,

28 Jehle, G. A., & Reny, P. J. (2011). Advanced microeconomic theory (3e druk). London:

Pearson Education Limited.

Kalwani, M. U., & Yim, C. K. (1992). Consumer price and promotion expectations: An experimental study. Journal of marketing Research, pp. 90-100.

Luijten, A. L. J. M. (2012). De effectiviteit van sales promotie.

Mason, K. (2005). How corporate sport sponsorship impacts consumer behavior.

Journal of American Academy of Business, 7(1), pp. 32-35.

Nieuwboer, E. (2012). Procesbeschrijving binnen Heracles Almelo: een onderzoek naar

de processen en knelpunten bij de kaartverkoop en sponsorcontracten.

Paradiso, (2015a). Geschiedenis. Geraadpleegd op 07-05-15, van http://paradiso.nl-/web/Over-Paradiso/Geschiedenis.htm.

Paradiso, (2015b). Kaartverkoop. Geraadpleegd op 25-06-15, van http://paradiso.nl/-web/Kaartverkoop.htm.

Paradiso, (2015c). Poppodium, club, tempel van nieuwe cultuur. Geraadpleegd op 07-05-15, van http://paradiso.nl/web/Over-Paradiso/Poppodium-club-tempel-van-nieuwe-cultuur.htm.

Paradiso, (2014). Jaarrekening 2013. Geraadpleegd op 07-05-15, van

http://www.paradiso.nl/web/file?uuid=dcc8c980-1253-47cd-b913-5b089a94323d&owner=7896b0c2-35fe-4653-a247-49482bb1f2df.

Putler, D. S., & Lele, S. (2003). An easily implemented framework for forecasting ticket sales to performing arts events. Marketing Letters, 14(4), pp. 307-320.

Rosen, S., & Rosenfield, A. M. (1997). Ticket Pricing. The Journal of Law and

Economics, 40(2), pp. 351-376.

Rutten, P. (1997). Economisch belang van de muziekindustrie in Nederland. TNO Studiecentrum voor technologie en beleid.

Schedl, M., Pohle, T., Koenigstein, N., & Knees, P. (2010). What's Hot? Estimating

Country-specific Artist Popularity. Geraadpleegd op 05-05-15, van

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.208.79-&rep=rep1&type=pdf.

29 Ter Horst, T. (2010). Motivatie & concertbezoek: Waarom bezoeken wij een concert? Geraadpleegd op 02-05-15, van http://dare.uva.nl/cgi/arno-/show.cgi?fid=213254

Vevo, (2015). Bedrijfsprofiel. Geraadpleegd op 10-05-15, van http://www.vevo.com-/c/NL/NL/about

de Wijs, B., & Bijk, E. (2007). Hoe kan een website met muziekvideo’s het beste

opgebouwd worden. Geraadpleegd op 24-06-15, van

http://cliniclowns.hku.nl/-PAPER_v19juni2.doc.

Zieba, M. (2009). Full-income and price elasticities of demand for German public theatre. Journal of Cultural Economics, 33(2), pp. 85-108.